นักวิทยาศาสตร์ของ IBM Research Europe เพิ่งบุกเบิกขอบเขตใหม่ในการประมวลผลในหน่วยความจำด้วยชิป 64 คอร์ที่ใช้อุปกรณ์หน่วยความจำแบบเปลี่ยนเฟส เทคโนโลยีล้ำหน้านี้มีจุดมุ่งหมายเพื่อเพิ่มการทำงานของโครงข่ายประสาทเทียมเชิงลึกโดยการรักษาความแม่นยำของอัลกอริธึมการเรียนรู้เชิงลึก ขณะเดียวกันก็ลดระยะเวลาการคำนวณและการใช้พลังงานลงอย่างมาก
Manuel Le Gallo ผู้ร่วมเขียนรายงานการวิจัยที่ก้าวล้ำนี้ แบ่งปันว่าพวกเขาได้สำรวจอุปกรณ์หน่วยความจำแบบเปลี่ยนเฟส (PCM) เพื่อการคำนวณมานานกว่าเจ็ดปีแล้ว การเดินทางเริ่มต้นด้วยทีมงานที่สาธิตการใช้งานฟังก์ชันของเส้นประสาทโดยใช้อุปกรณ์ PCM แต่ละตัว จากจุดนี้เป็นต้นไป IBM Research Europe ได้แสดงให้เห็นว่าอุปกรณ์ PCM สามารถให้ประโยชน์อย่างมากต่อโดเมนการประมวลผล เช่น การประมวลผลทางวิทยาศาสตร์ และการอนุมานเครือข่ายประสาทเชิงลึก ด้วยชิปล่าสุด นักวิจัยได้ก้าวเข้าใกล้ตัวเร่งการอนุมาน AI แบบอะนาล็อกแบบ end-to-end ไปอีกขั้นหนึ่ง
Le Gallo และผู้ร่วมงานของเขาบรรลุความสำเร็จนี้ด้วยการสังเคราะห์คอร์ที่ใช้ PCM ร่วมกับโปรเซสเซอร์ประมวลผลดิจิทัล องค์ประกอบทั้งสองนี้เชื่อมโยงกันด้วยการใช้เครือข่ายการสื่อสารดิจิทัลบนชิป ผลลัพธ์ที่ได้คือการผสมผสานนวัตกรรมของคอร์ที่ใช้ PCM แบบอะนาล็อกจำนวน 64 คอร์ โดยแต่ละคอร์ประกอบด้วยอาร์เรย์ครอสบาร์ขนาด 256 x 256 ของเซลล์ยูนิตซินแนปติก
การบูรณาการตัวแปลงแอนะล็อกเป็นดิจิทัลตามเวลาขนาดกะทัดรัดภายในแต่ละคอร์ทำให้เกิดการเปลี่ยนแปลงระหว่างอาณาจักรแอนะล็อกและดิจิทัล Le Gallo อธิบายเพิ่มเติม โดยเสริมว่าแต่ละคอร์ยังประกอบด้วยหน่วยประมวลผลดิจิทัลน้ำหนักเบาที่ทำหน้าที่กระตุ้นการทำงานของเส้นประสาทหน่วยเชิงเส้นตรง (reLU) และการดำเนินการปรับขนาด นอกจากนี้ ชิปยังมีหน่วยประมวลผลดิจิทัลระดับโลกที่ตั้งอยู่ตรงกลางซึ่งอำนวยความสะดวกในการดำเนินงานเครือข่ายหน่วยความจำระยะสั้น (LSTM)
คุณลักษณะอันชาญฉลาดของชิปประมวลผลในหน่วยความจำของ IBM คือการเชื่อมต่อระหว่างแกนหน่วยความจำและหน่วยประมวลผลที่อยู่ทั่วโลกผ่านเครือข่ายการสื่อสารแบบดิจิทัล การออกแบบนี้ช่วยให้ชิปดำเนินการคำนวณทั้งหมดที่เกี่ยวข้องกับแต่ละเลเยอร์ของโครงข่ายประสาทเทียมบนชิป ซึ่งส่งผลให้เวลาในการคำนวณและการใช้พลังงานลดลงอย่างมาก
เพื่อประเมินประสิทธิภาพของชิปตัวใหม่ ทีมวิจัยของ IBM ได้ทำการศึกษาที่ครอบคลุม โดยใช้อัลกอริธึมการเรียนรู้เชิงลึกกับชิป และประเมินประสิทธิภาพของชิป ผลลัพธ์ที่ได้น่าพึงพอใจ โดยโครงข่ายประสาทเทียมระดับลึกที่ได้รับการฝึกบนชุดข้อมูลรูปภาพ CIFAR-10 สำหรับงานจดจำรูปภาพ โดยมีอัตราความแม่นยำที่โดดเด่นถึง 92.81% เมื่อทำงานบนชิป
ไม่ต้องสงสัยเลยว่าความสำเร็จของ IBM Research Europe เป็นการก้าวกระโดดในการพัฒนาชิป Analog In-Memory Computing (AIMC) ที่สามารถตอบสนองความต้องการและความท้าทายของอัลกอริธึมการเรียนรู้เชิงลึกได้อย่างมีประสิทธิภาพ ในอีกไม่กี่ปีข้างหน้า สถาปัตยกรรมที่ Le Gallo และทีมงานของเขานำมาใช้จะได้รับการปรับปรุงเพื่อให้ได้ประสิทธิภาพที่เหนือกว่า
แม้ว่าไอบีเอ็มจะก้าวหน้าไปมาก แต่กรณีการใช้งานที่เป็นไปได้สำหรับเทคโนโลยีนี้ในสภาพแวดล้อม no-code และ low-code ก็ไม่สามารถละเลยได้ ชิปประมวลผลในหน่วยความจำประสิทธิภาพสูงที่ปรับขนาดได้และมีประสิทธิภาพสูงมอบคุณค่าที่คุ้มค่าด้วยการผสานรวมเข้ากับแพลตฟอร์ม no-code เช่น AppMaster ได้อย่างราบรื่น การบูรณาการดังกล่าวอาจส่งผลให้มีการปรับปรุงความแม่นยำของโมเดลในการใช้งานแมชชีนเลิร์นนิงอย่างมีนัยสำคัญ โดยให้เวลาแฝงที่ลดลง ความเร็วที่สูงขึ้น และปรับปรุงประสิทธิภาพให้กับผู้ใช้
